几十年来，业余双向无线电运营者们为了能够跨大陆通信，会在一天中的正确时间来选择正确的无线电频率。之所以能够奢侈地做到这点，是因为用户和共享无线电波的设备相对较少。但是随着蜂窝无线电在电话和物联网设备中的普及，寻找无干扰的频率变得越来越困难。

因此，研究人员计划使用深度学习来创建认知无线电，通过立即调整其无线电频率，来获得最佳性能。

美国的东北大学无线物联网研究所的研究人员解释说（具体参见相关论文），蜂窝物联网设备的种类和密度的不断增加给无线网络优化带来了新的挑战。

一个给定的无线电频率范围，可以由一百个设计用于在同一总体区域中工作的小型无线电设备共享，每个小型无线电设备具有各自的信令特性，并且能适应变化的条件时有所变化。当在给定的瞬间中对有哪些可用频谱碎片进行预测时，如此多的设备数量就降低了固定数学模型的功效。

这就是深度学习可以帮忙的地方了。研究人员希望在无线设备硬件中使用嵌入的机器学习技术来提高频率利用率，从而使设备可以自行开发AI优化的频谱使用策略。

早期研究表明，深度学习模型在处理嘈杂的无线电信道时，其分类准确度平均比传统系统高20%，并且能够扩展到数百个同时运行的设备，而不仅是数十个。此外，为此目的开发的深度学习架构也将可用于其他多项任务。

由于为这个应用程序实施深度学习的一个关键点在于，需要快速处理大量数据以进行连续分析。深度学习可能依赖于数千万个参数，并且这里可能需要在毫秒级别上每秒测量超过100兆字节的数据。

研究人员指出，这种运算要求，超出了“甚至是当前可用的最强大的嵌入式设备”的能力。而任务中低延迟的要求，使得这个运算无法在云中处理。

因此，这项研究的目标，是将深度学习模型缩小到可以在小型设备上运行的程度。同时，使用复杂的测试工具，随着硬件的改进来改进软件，包括提高其抵抗对抗攻击的能力。

研究人员希望可以在5G毫米波和未来的6G太赫兹硬件中使用该学习技术，尽管5G和6G的超高频信号容易受到物理干扰，但在未来的二十年中，它们将比4G设备更加普及。